SELECCIONANDO LA CARTERA DE UN INVERSOR MEDIANTE PROGRAMACIÓN POR METAS LEXICOGRÁFICAS ENTERA

Tamaño: px
Comenzar la demostración a partir de la página:

Download "SELECCIONANDO LA CARTERA DE UN INVERSOR MEDIANTE PROGRAMACIÓN POR METAS LEXICOGRÁFICAS ENTERA"

Transcripción

1 SELECCIONANDO LA CARTERA DE UN INVERSOR MEDIANTE PROGRAMACIÓN POR METAS LEXICOGRÁFICAS ENTERA Nura Padlla Garrdo Departameto de Ecoomía Geeral y Estadístca Uversdad de Huelva padlla@uhu.es Flor María Guerrero Casas Departameto de Ecoomía y Empresa Uversdad Pablo de Olavde fguecas@dee.upo.es RESUMEN Tradcoalmete, la seleccó de carteras ha sdo tratada como u problema de carácter cotuo e el cual buscar, detro de la frotera efcete, aquella combacó de títulos más adecuada para cada tpo de versor. Para tetar superar los coveetes que este efoque platea, propoemos la costruccó de u modelo alteratvo medate la utlzacó de ua técca multobjetvo deomada Programacó por Metas Lexcográfcas Etera. Además, y co el f de facltar su compresó, así como de demostrar su valdez empírca, lo hemos aplcado a u caso real e el que cosderamos dversos valores que cotza e el mercado cotuo español. Palabras clave: Seleccó de Carteras, Aálss Multcrtero, Programacó por Metas Lexcográfcas Etera.

2 . INTRODUCCIÓN La versó e carteras es u problema de toma de decsoes e el cual u versor debe repartr u determado presupuesto moetaro etre dsttos actvos faceros durate u perodo de tempo dado, e fucó del objetvo u objetvos que preteda alcazar, y supoedo que al fal de dcho espaco de tempo, procederá a lqudarlos. Para cosegur este propósto, los estudosos del tema cos dera que es ecesaro desarrollar ua sere de etapas, s embargo, debdo a que la puesta e práctca de las msmas suele ser extremadamete compleja, ua solucó geeralmete aceptada cosste e smplfcar la realdad cosderado exclusvamete aquellos factores más mportates que cde e el problema y costrur, e fucó de ellos, u modelo ormatvo e el cual todas las relacoes esté claras y las cosecuecas de cualquer posble cambo se pueda determar co precsó. Estos modelos, deomados de seleccó de carteras, se puede dvdr e dos grupos e fucó del úmero de objetvos cosderados: los modelos uobjetvo y los multobjetvo, s embargo, la mayoría de ellos puede clasfcarse detro del segudo grupo, ya que lo ormal es que, cuado u versor pretede costrur ua cartera de valores, trate de alcazar varos objetvos smultáeamete. Desde esta perspectva, la revsó de los prcpales modelos multobjetvo os ha permtdo descubrr los coveetes que platea a la hora de seleccoar la cartera del versor. Así, u prmer grupo de ellos estaría relacoado co la forma que tee de platear el problema de versó. E este setdo, e ocasoes, olvda aspectos ta realstas como la ecesdad de dspoer de la sufcete flexbldad para poder adaptarse a las ecesdades de cualquera, la preseca de uos costes asocados, las vetajas que se obtee de la dversfcacó o la ecesdad de buscar ua combacó de títulos o domadas por otras. Además, cosdera la seleccó de carteras como u problema de carácter cotuo e el cual buscar el porcetaje de versó e cada título s teer e cueta que, cuado dchos porcetajes se coverta e úmero de actvos a adqurr, puede aparecer catdades o eteras y, por tato, caretes de setdo. 2

3 U segudo grupo de coveetes estaría, e cambo, relacoado co los métodos que propoe para seleccoar la cartera del versor. E este setdo, la mayoría de los modelos apuesta por segur uas pautas comues: la determacó de la frotera efcete y la búsqueda, detro de ella, de aquella combacó de títulos más adecuada. E la prmera etapa, ua vez defdo el cojuto factble, lo ormal es que los modelos emplee uas téccas multobjetvo, deomadas Téccas Geeradoras del Cojuto Efcete que, s embargo, platea seros coveetes cuado se utlza para resolver problemas de tamaño relatvamete grade, etre los cuales destaca dfcultades computacoales así como la obtecó de cojutos efcetes excesvamete grades que, posterormete, pueda dfcultar la eleccó fal del sujeto decsor. Además, estas téccas o permte que el versor haga explíctas, desde u prmer mometo, sus preferecas que, ate la exsteca de objetvos compatbles, pueda establecer uos veles de aspracó para los msmos. E estas crcustacas, e las cuales tato el plateameto del problema como la metodología propuesta para su resolucó preseta seras defcecas, es ecesaro llevar a cabo ua sere de ovacoes. E este setdo, realzaremos ua ueva propuesta cosstete e platear u modelo que supere dchos coveetes. Para su costruccó emplearemos ua técca multobjetvo ecuadrada detro de la Programacó por Metas. La utlzacó de la Programacó por Metas e el campo de la seleccó de carteras o es recete, auque se caracterza por la escasa prolferacó de estudos. Las prmeras aplcacoes, detro de las cuales podemos destacar las realzadas por Lee y Lerro (973), Kumar, Phlppatos y Ezzell (978) así como por Lee y Chesser (980), se caracterza por adaptar el marco tradcoal de seleccó de carteras desarrollado por Markowtz así como el CAPM al cotexto de la Programacó por Metas. Posterormete, se fuero troducedo ua sere de ovedades como la utlzacó, e u teto de adaptarse mejor a las preferecas del decsor, de modelos teractvos o cluso del APT, e lugar del CAPM, como teoría adecuada para valorar el resgo (Tamz, Hasham y Joes (996)). 3

4 Por últmo, també destaca ua sere de trabajos cuyo propósto fudametal cosste e oretar específcamete a los asesores faceros e la seleccó de las carteras de sus cletes (Levary y Avery (984); Schederjas, Zor y Johso (993); Powell y Premachadra (998)). Tomado e cosderacó lo ateror, uestro propósto cosste e platear u modelo medate Programacó por Metas, quzás o ta sofstcado ta específco como los aterores, pero que recoja facetas ta báscas como pueda ser la búsqueda de ua cartera o domada por otras, la cosderacó de los costes asocados, la flexbldad o las vetajas que se obtee de la dversfcacó. Además, cosderaremos como varables de decsó el úmero de títulos a adqurr de cada actvo, tratado, de este modo, el problema como uo de carácter etero. Cocretamete, para su resolucó emplearemos la deomada Programacó por Metas Lexcográfcas Etera, la cual teta represetar ua estructura de preferecas e la que el sujeto decsor cosdera mucho más mportate el logro de los veles de aspracó asocados a determados crteros que la cosecucó de los relacoados co el resto. De este modo, ua vez descrta su metodología y plateado el modelo e fucó de ella, uestro objetvo será poerlo e práctca medate ua aplcacó real que os permta probar su valdez empírca. 2. LA PROGRAMACIÓN POR METAS LEXICOGRÁFICAS ENTERA La Programacó por Metas Lexcográfcas Etera es ua técca multobjetvo cuya faldad cosste e la búsqueda de solucoes satsfactoras de carácter etero. Para alcazar este objetvo, propoe ordear las q metas del problema e s veles de prordad e fucó de las preferecas del sujeto decsor. Co ello, cada meta puede quedar asgada a u vel de prordad dstto, o be, varas puede aparecer e el msmo vel, e cuyo caso será ecesaro establecer ua poderacó etre las msmas. 4

5 Esto mplca que el decsor asocará prordades excluyetes a las dsttas metas, es decr, tetará prmero satsfacer aquellas metas stuadas e el vel de prordad más alto, e caso de cosegurlo, tetará satsfacer las stuadas e el sguete vel de prordad y así sucesvamete. Todo ello se traduce e la resolucó de u problema como el sguete: s.a. Lexm (H (,p), H 2 (,p),..., H s (,p) ) x χ X = { x χ R : A x [ b ; A χ M sx (R), b χ R s } f (x) + - p = u, =,..., q, p µ 0 x j µ 0 j=,..., x t = 0,, 2,... t χ 2 cuya faldad cosste e la mmzacó lexcográfca u ordeada de las compoetes del vector (H (,p), H 2 (,p),..., H s (,p)) sujeta al cojuto de metas y restrccoes establecdas, sedo: H (,p) fucó de logro del vel de prordad -ésmo, la cual se defe como q H (, p) = w h (, p), dode j= j j w j represeta la mportaca relatva que el decsor otorga a la meta j e el vel de prordad, y hj(,p) es la fucó de realzacó o de logro asocada a la meta j (el Cuadro resume las dsttas clases de fucoes de realzacó que exste). X Cojuto factble. x j Varable de decsó j-ésma. f(x) Fucó matemátca represetatva del atrbuto -ésmo. Segú Barba-Romero y Pomerol (997), p. 27, los atrbutos so ejes de evaluacó e fucó de los cuales se elegrá las alteratvas. E este setdo, atrbutos puede ser, por ejemplo, la retabldad y el resgo esperados de ua cartera de valores. 5

6 Varable de desvacó que cuatfca la falta de logro del atrbuto -ésmo sobre el vel de aspracó -ésmo. p Varable de desvacó que cuatfca el exceso de logro del atrbuto -ésmo sobre el vel de aspracó -ésmo. u Nvel de aspracó del atrbuto -ésmo. s Número de veles de prordad del problema. q Número de metas del problema. 2 Subcojuto de varables de decsó al que se oblga a adoptar u valor etero. Cuadro Metas, varables de desvacó o deseadas y fucoes de realzacó asocadas Forma cal de Forma de la meta Varable de desvacó Fucó de la meta trasformada o deseada (a mmzar) realzacó f(x)µ u f(x) + - p = u, h(,p) = f (x) [ u f (x) + - p = u, p h (,p ) = p f (x)= u f (x) + - p = u, + p h (,p ) = + p Fuete: Adaptada de Romero (993, p. 64) Los métodos destados a la resolucó de este tpo de problemas so múltples y complcados. Detro de ellos, podemos destacar las aportacoes realzadas por Igzo (985), que propoe u algortmo para covertr u problema de Programacó por Metas Lexcográfcas Etera e u problema de Programacó Etera Mooobjetvo, o el trabajo desarrollado por Mrrazav (997), que platea u algortmo de Ramfcacó y Acotacó que resuelve relajacoes leales del problema lexcográfco. 6

7 No obstate, al emplear cualquera de estos métodos u aspecto teresate que sempre debemos examar es s la solucó obteda, además de satsfactora, es efcete. Para coocer esta propedad podemos utlzar ua sere de téccas, deomadas de Deteccó y Restauracó de la Efceca, las cuales se caracterza por actuar e dos etapas. E la prmera de ellas, el objetvo es coocer la stuacó de cada meta e el puto satsfactoro. E este setdo, exste tres tpos de stuacoes: que la meta sea efcete, o efcete, o be, o acotada. De este modo, etederemos por meta efcete aquella que para mejorar su valor e el puto ha de empeorar ecesaramete el valor de algua otra meta. E cambo, la meta efcete será aquella que puede mejorar su valor s ecesdad de deterorar el valor de las otras. Por últmo, se dce que ua meta es o acotada s se puede mejorar ftamete su valor e el puto y o por ello empeorar el valor de algua otra. Esta tarea de deteccó se realzará, como ya hemos cometado, meta por meta, de modo que s todas ellas so efcetes e el puto satsfactoro, éste será además u puto efcete. E cambo, s algua meta fuera efcete, el puto satsfactoro també tedrá ese carácter. Ua vez falzada la Etapa de Deteccó pasaremos, e caso de que hayamos localzado algua meta efcete, a la seguda etapa, deomada de Restauracó de la Efceca. Co relacó a ella, es mportate destacar que exste dferetes métodos para poder llevarla a cabo. Etre ellos podemos destacar el Método de la Restauracó Basada e Preferecas (Mola (2000)), caracterzado por traspasar la estructura de preferecas empleada e la etapa de búsqueda de ua solucó satsfactora a la etapa de restauracó de la efceca, y el Método de la Restauracó Iteractva (Mola (2000)), que se utlza cuado dcha estructura de preferecas camba de ua etapa a otra. 7

8 3. CONSTRUCCIÓN DEL MODELO 3.. Hpótess Para comezar el plateameto del modelo vamos a establecer ua sere de supuestos fudametales o hpótess que, e uestro caso, so las sguetes: El comportameto del versor es racoal lmtado y, por tato, o busca ua cartera óptma so ua que satsfaga sufcetemete los veles de aspracó establecdos para los dsttos atrbutos. El versor puede elegr el espaco de tempo durate el cual matedrá su cartera que estará tegrado, e todo caso, por u úco perodo. Al co del msmo, procederá a la compra de la combacó de títulos co el propósto de cosegur los objetvos al fal del perodo de teeca, mometo e el cual procederá a su lqudacó. Durate el perodo de teeca o se producrá retradas uevas aportacoes de captal. Tampoco se podrá prestar dero pedrlo prestado. Exste u presupuesto que restrge las posbldades de versó. El versor pretede obteer, además, ua cartera o domada por otras. Se cotempla la exsteca de uos costes asocados a la formacó, matemeto y lqudacó de la cartera. Pero, además de teer e cueta estas hpótess, la costruccó de u modelo de seleccó de carteras medate Programacó por Metas Lexcográfcas Etera exge defr las varables de decsó, los objetvos, las metas y las restrccoes del problema. 3.2.Varables de decsó Deotaremos uestras varables de decsó por N, =,...,,, y represetará el úmero de títulos a adqurr de cada valor. No obstate, tedremos e cueta, además, uas varables de 8

9 carácter baro, que desgaremos z, =,...,, las cuales adoptará valor uo sempre que el versor adquera el título y cero e caso cotraro, es decr: z N cotsup z N z {0,} =,..., dode cotsup es ua cota superor de N Objetvos y Metas Ua vez defdas las varables, el sguete paso cosste e establecer los objetvos de versó que, e uestro caso, será cuatro:. Maxmzar la retabldad esperada de la cartera. 2. Mmzar su resgo sstemátco. 3. Maxmzar el úmero de títulos dferetes, co objeto de obteer ua cartera dversfcada y, por tato, carete de resgo específco. 4. Maxmzar la catdad vertda del presupuesto dspoble. E cosecueca, la retabldad esperada de la cartera, su resgo sstemátco, el úmero de títulos dferetes y la catdad de presupuesto vertda e la msma será los atrbutos de versó. 9

10 Combado cada atrbuto co su correspodete vel de aspracó, e troducedo las correspodetes varables de desvacó, obtedremos las sguetes metas: = = E(R ) N cot + - p = â N cot P + 2 p 2 = B E (R F ) P = = z p3 = T N cot p4 = C P La prmera meta va a reflejar el deseo del versor de que la retabldad esperada de la cartera sea, al meos, gual a la retabldad que se espera obteer cuado se verte e reta fja (E(RF) P) dode E(R) es la retabldad esperada del título, cot es el preco de compra del título, E(RF) es la retabldad esperada de la reta fja y P es el presupuesto de versó. E cosecueca, la fucó de logro asocada a esta prmera meta, h (, p ), va a ser gual a. La seguda meta del versor va a cosstr e que el resgo sstemátco de la cartera o supere u certo vel B, dode â es la beta o resgo sstemátco del título. Por tato, la correspodete fucó de logro asocada, h2(2, p2), va a ser gual a p2. La tercera meta va a reflejar el deseo de que el úmero de títulos dferetes de la cartera sea mayor o gual que T. E este caso, la fucó de logro se deota como h 3 ( 3, p 3 ), y cocde co 3. La últma meta cosste e que el versor agote, al meos, u amplo porcetaje C del presupuesto. Ello se traduce e la obtecó de ua fucó de logro asocada, h 4 ( 4, p 4 ), gual a 4. 0

11 3.4. Restrccoes Las restrccoes duras de uestro problema, esto es, aquellas que bajo gú cocepto puede ser voladas, se compoe de ua restrccó presupuestara y de otras destadas a la dversfcacó de la cartera. La restrccó presupuestara, cuya faldad cosste e evtar que se verta e la cartera ua cuatía superor a la del presupuesto de versó, vee dada por la sguete expresó: = N cot P Por su parte, las restrccoes destadas a la dversfcacó de la cartera, las cuales apuesta por o admtr más de u porcetaje M del presupuesto e cada título 2, vee dadas por: N cot M P =,..., Co relacó a estas restrccoes es mportate señalar que auque, e prcpo, su clusó pueda pareceros ua redudaca ya que cuado establecmos la tercera meta, ésta pretedía alcazar ese msmo propósto, la cosderacó cojuta tato de estas uevas restrccoes como de la meta es u aspecto ecesaro para la elmacó del resgo específco. De este modo, s cosderásemos sólo la meta, ésta o podría mpedr que aparecese stuacoes e las cuales el presupuesto se cocetrase e la adquscó mayortara de determados valores. E cambo, la cotemplacó exclusva de las restrccoes, os permtría currr e el problema de o llegar a alcazar u úmero sufcete de actvos dferetes para lograr ua dversfcacó adecuada. 2 Es mportate destacar que auque osotros hayamos optado por dversfcar la cartera troducedo uas restrccoes que apuesta por o admtr más de u porcetaje M del presupuesto e cada actvo, exste otros métodos para lograr dcho propósto como, por ejemplo, o vertr más de u porcetaje R del presupuesto e u sector cocreto (véase, por ejemplo, Lee (972)). La eleccó cocreta de u método u otro depederá, e todo caso, de las preferecas persoales del sujeto decsor.

12 3.5. Plateameto del modelo Ua vez defdos todos los elemetos del problema, el sguete paso cosste e asocar prordades excluyetes al orde e que se pretede satsfacer las metas. E uestro caso, supodremos que exste ua mayor prefereca por la cosecucó de las dos prmeras metas, a cotuacó por la tercera y, por últmo, por la cuarta. A tal efecto, dstguremos tres veles de prordad: u prmer vel, Q, e el cual stuaremos las metas prmera y seguda co détco peso, aspecto éste que, lógcamete, puede alterarse, u segudo vel, Q 2, tegrado por la meta tercera y u últmo vel, Q 3, formado por la meta cuarta. Co todo ello, el modelo de Programacó por Metas Lexcográfcas Etera resultate es el sguete: s.a. Lexm [ + p 2, 3, 4 ] = E(R ) N cot CT + - p = E (R F ) P = â N cot P + 2 p 2 = B = z p3 = T = N cot + CT p4 = C P = N cot N cot + CT M P P N z cotsup z N z {0,} N 0 Z + 2

13 j, p j µ 0 j=,..., 4 =,..., y e dode es mportate señalar que hemos troducdo los costes asocados a la cartera (CT) tato e la prmera meta, debdo a la flueca que ejerce dsmuyedo la retabldad esperada, como e la cuarta meta y e la restrccó presupuestara, ya que el presupuesto o sólo debe cubrr el desembolso orgado por la compra efectva de títulos so també sus costes asocados. 4. RESULTADOS Co objeto de demostrar la valdez empírca del modelo co depedeca de la fase específca por la que atravese el mercado, decdmos resolver éste e cco mometos de adquscó dsttos, correspodetes al prmer día hábl 3 de los años 997, 998, 999, 2000 y 200. Para ello, utlzamos u total de 87 valores tegrates del mercado cotuo así como la formacó reflejada e el Cuadro 2, la cual supodremos costate e cada uo de los días aalzados. Pero, además, ecestábamos establecer los valores de las retabldades y betas prevstas de cada título, así como las retabldades esperadas de la reta fja y las cotas superores de cada varable N e cada uo de los días de adquscó establecdos. Para ello, acudmos tato al Servco de Publcacoes de la Bolsa de Madrd como al webste del Baco de España, e dode obtuvmos los datos ecesaros para su cálculo. Ua vez cosegudos estos datos, mplemetamos formátcamete el modelo medate el programa PROMO desarrollado por Caballero y otros (2000), etre otras razoes, por el hecho de trabajar bajo u etoro Wdows, su facldad y secllez de utlzacó así como el hecho de corporar toda la metodología que ecestábamos. 3 Co relacó a los títulos cosderados, debemos precsar que auque, por ejemplo, e el día de adquscó establecdo para 997, hubese socedades cotzado por separado, como puede ser el caso de BBV y Argetara, los datos que hemos recbdo de la Bolsa de Madrd refleja el valor BBVA, resultado de la fusó de ambas etdades. Por tato, auque este tratameto o sea correcto a la hora de adqurr ua cartera e esa fecha, tedremos que supoer su exsteca hacedo, por tato, ua smplfcacó. 3

14 Iput P Cuadro 2 Iputs ecesaros Valor asgado 6000 euros C 95% M 5% T 20 títulos B CT 4 5,4+ 0,0045 = N cot Los resultados señalaro la obtecó, e el prmer día de adquscó, de ua solucó satsfactora y, tras el empleo de la Etapa de Deteccó y de ua Restauracó Basada e Preferecas, de ua solucó, además, de carácter efcete (Cuadro 3), metras que, e los cuatro días restates, se obtuvero solucoes o satsfactoras, debdo al cumplmeto de la últma meta, así como de la prmera, e el caso cocreto de la cartera obteda e el día quto (Cuadro 4). Cuadro 3 Valores alcazados por las metas e la solucó satsfactora obteda el prmer día de adquscó Día º Meta Valor Nvel logrado aspracó Retabldad 2,06 0,94 Beta 0, Dversfcacó Presupuesto 5999, Para el cálculo de CT, hemos cosderado los datos proporcoados por la Socedad de Valores Reta 4. 4

15 Cuadro 4 Valores alcazados por las metas e las solucoes o satsfactoras obtedas los días de adquscó segudo, tercero, cuarto y quto Día 2º Día 3º Día 4º Día 5º Meta Valor Nvel Valor Nvel Valor Nvel Valor Nvel logrado aspracó logrado aspracó logrado aspracó logrado aspracó Retab. 3,37 0,72 2,3 0,48 0,67 0,59 0,22 0,74 Beta 0,024 0,043 0,054 0,0498 Dvers Presup. 776, , , , E estas crcustacas, el decsor debería determar s desea realzar modfcacoes e el problema tales como la redefcó de las metas o la redstrbucó de las msmas e uos veles de prordad dferetes. S embargo, optamos por relajar la restrccó relacoada co el deseo de o agotar más del 5% del presupuesto e cada título, fjádola e u uevo vel del 5%. E esta ocasó, los resultados obtedos señalaro que el modelo fucoaba be e los dsttos mometos aalzados (Cuadro 5). Así, metras que e los días de adquscó segudo, tercero y cuarto proporcoaba solucoes satsfactoras y, tras el empleo de la Etapa de Deteccó y de ua Restauracó Iteractva 5, solucoes, además, de carácter efcete, e el quto día, proporcoaba ua solucó o satsfactora que cumplía exclusvamete la meta asocada al últmo vel de prordad, hecho que podía deberse, fudametalmete, al carácter egatvo de la mayoría de prevsoes que realzamos de las retabldades de los dsttos títulos e ese state. No obstate, debdo a que este cumplmeto era sólo por ua cuatía de 89,96 euros, decdmos o proceder a reformular el problema. Además, també es mportate destacar que la meta relacoada co la beta o codcoaba e gú mometo el proceso de resolucó, ya que sempre se mateía alejada de su vel de aspracó. 5 La razó para o segur empleado ua Restauracó Basada e Preferecas, tal como hcmos el prmer día de compra, era que ésta elevaba el úmero de títulos tegrates de la cartera hasta u total de 87, es decr, a todo el cojuto cal de valores. Por ello, optamos por utlzar ua Restauracó Iteractva que os permtera alcazar, de etre todos los putos satsfactoros, aquel que fuera el más retable. 5

16 Cuadro 5 Valores alcazados por las metas e las solucoes efcetes obtedas los días de adquscó segudo, tercero y cuarto y e la solucó o satsfactora del día quto Día 2º Día 3º Día 4º Día 5º Meta Valor Nvel Valor Nvel Valor Nvel Valor Nvel Retab. logrado 5,9 aspracó 0,72 logrado 8,05 aspracó 0,48 logrado 2,35 aspracó 0,59 logrado 0,76 aspracó 0,74 Beta 0,535 0,3333 0,5449 0,0885 Dvers Presup. 5999, , , , A la vsta de estos resultados, podemos coclur que el modelo poe de mafesto la potecal utldad de ua metodología como la Programacó por Metas Lexcográfcas Etera e la resolucó de u problema como el de la seleccó de carteras. S embargo, també permte detectar ua sere de dfcultades. E prmer lugar, la falta de coocmetos del versor que decde acceder drectamete a bolsa para poerlo e práctca. No obstate, este coveete puede solvetarse, e parte, s dspoe de u software específco. La cuestó radca e que estos programas, e ocasoes, resulta accesbles. De hecho, el software que hemos empleado para llevar a la práctca el modelo, a pesar de haber sdo amplamete cotrastado e múltples stuacoes así como e dversas aplcacoes reales, o se comercalza actualmete. E segudo lugar, la ecesdad de realzar estmacoes sobre determados puts, como las retabldades y betas prevstas de cada título. El problema se complca, aú más, al o poder coocer el grado de fabldad de las msmas hasta el fal del perodo de teeca, mometo e el cual es posble compararlas co las retabldades y betas obtedas realmete. E tercer lugar, hay que señalar que tampoco es posble coocer co certeza el vel de cumplmeto real de las dos prmeras metas hasta el mometo de lqudacó de la cartera. E este setdo, hemos vsto cómo e el día de la compra, cuado trabajábamos co prevsoes, 6

17 dchas metas se cumplía sempre. Ahora be, esto o tee por qué ocurrr al fal del perodo de teeca, mometo e el cual, al coocer ya las retabldades ybetas reales de la cartera, ecestamos saber s éstas supera o o los veles de aspracó establecdos. Además, este tpo de aálss puede resultar especalmete teresate cuado el versor o ha establecdo u día cocreto para la veta, ya que puede oretarle sobre el mometo de lqudacó de la cartera. 5. CONCLUSIONES A lo largo de la lteratura facera, ha sdo umerosos los modelos destados a determar la cartera del versor, s embargo, la revsó de los msmos os ha permtdo descubrr que platea seros coveetes e la resolucó de este problema de versó, prcpalmete, aspectos relacoados co la metodología que propoe así como co el hecho de cosderar la seleccó de carteras como u problema de carácter cotuo. Este aálss os ha motvado a dseñar u uevo modelo que, además de superar las dfcultades descrtas aterormete, recoge facetas ta báscas para este tpo de versoes como pueda ser la búsqueda de ua cartera o domada por otras, la cosderacó de los costes asocados, la flexbldad o las vetajas que se obtee de la dversfcacó. Para su costruccó, hemos utlzado ua técca multobjetvo deomada Programacó por Metas Lexcográfcas Etera. Su ejecucó e dferetes mometos del tempo, ha puesto de mafesto su bue fucoameto, s embargo, també ha evdecado ua sere de dfcultades, comues, al f y al cabo, a todo modelo de seleccó de carteras, etre las cuales destaca la ecesdad de dspoer de u software específco o de realzar estmacoes sobre determados puts para poder ejecutarlo. De todos modos, estos coveetes o debe, e absoluto, mermar la aplcabldad del modelo so más be etederse como ua señal oretatva de las precaucoes que debe adoptarse a la hora de poerlo e práctca. 7

18 BIBLIOGRAFÍA Barba-Romero, S. y Pomerol, J. C. (997): Decsoes Multcrtero: Fudametos Teórcos y Utlzacó Práctca, Alcalá de Heares, Servco de Publcacoes de la Uversdad de Alcalá de Heares. Igzo, J. P. (985): «Iteger Goal Programmg va Goal Programmg», Large Scales Systems, 8, pp Kumar, P. C., Phlppatos, G. C. y Ezzell, J. R. (978): Goal Programmg ad the Selecto of Portfolos by Dual-Purpose Fuds, Joural of Face, 33,, pp Lee, S. M. (972): Goal Programmg for Decso Aalyss, Phladelpha, Auerbach. Lee, S. M. y Chesser, D. L. (980): Goal Programmg for Portfolo Selecto, Joural of Portfolo Maagemet, pp Lee, S. M. y Lerro, A. J. (973): Optmzg the Portfolo Selecto for Mutual Fuds, Joural of Face, 28, 5, pp Levary, R. R. y Avery, M. L. (984): O the Practcal Applcato of Weghtg Equtes a Portfolo va Goal Programmg, Opsearch, 2, pp Markowtz, H. (952): Portfolo Selecto, Joural of Face, 7,, pp Mrrazav, S. K. (997): Ivestgato ad Developmet of Effcet Iteger ad Iteger Goal Programmg Systems, Tess Doctoral, Uversdad de Porsmouth. Mola, J. (2000): Toma de Decsoes co Crteros Múltples e Varable Cotua y Etera: Implemetacó Computacoal y Aplcacoes a la Ecoomía, Tess Doctoral, Uversdad de Málaga. Powell, J. G. y Premachadra, I. M. (998): Accomodatg Dverse Isttutoal Ivestmet Objectves ad Costrats Usg No-Lear Goal Programmg, Europea Joural of Operatoal Research, 05, pp Prexes, M. T. (992): Haca ua Teoría de Carteras desde el Puto de Vsta de la Revsó, Tess Doctoral, Uversdad de Barceloa. 8

19 Romero, C. (993): Teoría de la Decsó Multcrtero: Coceptos, Téccas y Aplcacoes, Madrd, Alaza Edtoral. Schederjas, M. J., Zor, T. S. y Johso, R. R. (993): Allocatg Total Wealth: A Goal Programmg Approach, Computers & Operatos Research, 20, 7, pp Tamz, M., Hasham, R. y Joes, D. F. (996): A Two Staged Goal Programmg Model for Portfolo Selecto, e Mult Objectve Programmg ad Goal Programmg Lectures. Notes Ecoomcs ad Mathematcal Systems, 432, Berlí, Sprger Verlag. 9

VARIABLE ALEATORIA Y FUNCIÓN DE DISTRIBUCIÓN

VARIABLE ALEATORIA Y FUNCIÓN DE DISTRIBUCIÓN VARIABLE ALEATORIA Y FUNCIÓN DE DISTRIBUCIÓN - INTRODUCCIÓN E este tema se tratará de formalzar umércamete los resultados de u feómeo aleatoro Por tato, ua varable aleatora es u valor umérco que correspode

Más detalles

RENTABILIDAD Y RIESGO DE CARTERAS Y ACTIVOS TEMA 3- I FUNTAMENTOS DE DIRECCIÓN FINANCIERA. Fundamentos de Dirección Financiera Tema 3- Parte I 1

RENTABILIDAD Y RIESGO DE CARTERAS Y ACTIVOS TEMA 3- I FUNTAMENTOS DE DIRECCIÓN FINANCIERA. Fundamentos de Dirección Financiera Tema 3- Parte I 1 RENTILIDD Y RIESGO DE CRTERS Y CTIVOS TEM 3- I FUNTMENTOS DE DIRECCIÓN FINNCIER Fudametos de Dreccó Facera Tema 3- arte I RIESGO y RENTILIDD ( decsoes de versó productvas) EXISTENCI DE RIESGO ( los FNC

Más detalles

Los principales métodos para la selección y valoración de inversiones se agrupan en dos modalidades: métodos estáticos y métodos dinámicos

Los principales métodos para la selección y valoración de inversiones se agrupan en dos modalidades: métodos estáticos y métodos dinámicos Dreccó Facera Pág Sergo Alejadro Herado Westerhede, Igeero e Orgazacó Idustral 5. INTRODUCCIÓN Los prcpales métodos para la seleccó y valoracó de versoes se agrupa e dos modaldades: métodos estátcos y

Más detalles

SELECCIÓN DE UNA CARTERA DE VALORES MEDIANTE LA APLICACIÓN DE MÉTODOS MULTIOBJETIVO INTERACTIVOS A DATOS REALES DE LA BOLSA ESPAÑOLA

SELECCIÓN DE UNA CARTERA DE VALORES MEDIANTE LA APLICACIÓN DE MÉTODOS MULTIOBJETIVO INTERACTIVOS A DATOS REALES DE LA BOLSA ESPAÑOLA Seleccó de ua cartera de valores medate la aplcacó de métodos multobjetvo teractvos... SELECCIÓN DE UNA CARTERA DE VALORES MEDIANTE LA APLICACIÓN DE MÉTODOS MULTIOBJETIVO INTERACTIVOS A DATOS REALES DE

Más detalles

2. Calcular el interés que obtendremos al invertir 6.000 euros al 4% simple durante 2 años. Solución: 480 euros

2. Calcular el interés que obtendremos al invertir 6.000 euros al 4% simple durante 2 años. Solución: 480 euros . alcular el motate que obtedremos al captalzar 5. euros al 5% durate días (año cvl y comercal). Solucó: 5., euros (cvl); 5.,5 euros (comercal). 5. o ' 5,5 5,8 5,5 ' 5. 5.,5) 5,5) 5., 5.,5. alcular el

Más detalles

MODELOS DE REGRESIÓN LINEALES Y NO LINEALES: SU

MODELOS DE REGRESIÓN LINEALES Y NO LINEALES: SU MODELOS DE REGRESIÓN LINEALES Y NO LINEALES: SU APLICACIÓN EN PROBLEMAS DE INGENIERÍA Clauda Maard Facultad de Igeería. Uversdad Nacoal de Lomas de Zamora Uversdad CAECE Bueos Ares. Argeta. maard@uolsects.com.ar

Más detalles

MÉTODOS ESTADÍSTICOS PARA EL CONTROL DE CALIDAD

MÉTODOS ESTADÍSTICOS PARA EL CONTROL DE CALIDAD UNIVERSIDAD DE LOS ANDES. FACULTAD DE CIENCIAS ECONÓMICAS Y SOCIALES DEPARTAMENTO DE CIENCIAS ADMINISTRATIVAS MÉRIDA ESTADO MÉRIDA Admstracó de la Produccó y las Operacoes II Prof. Mguel Olveros MÉTODOS

Más detalles

ESTRUCTURA Y TECNOLOGÍA A DE COMPUTADORES

ESTRUCTURA Y TECNOLOGÍA A DE COMPUTADORES Uversdad Rey Jua Carlos ESTRUCTURA Y TECNOLOGÍA A DE COMPUTADORES Lus Rcó Córcoles Lceso J. Rodríguez-Aragó Programa. Itroduccó. 2. Defcó de redmeto. 3. Meddas para evaluar el redmeto. 4. Programas para

Más detalles

V Muestreo Estratificado

V Muestreo Estratificado V Muestreo Estratfcado Dr. Jesús Mellado 10 Certas poblacoes que se desea muestrear, preseta grupos de elemetos co característcas dferetes, s los grupos so pleamete detfcables e su peculardad y e su tamaño,

Más detalles

Una Propuesta de Presentación del Tema de Correlación Simple

Una Propuesta de Presentación del Tema de Correlación Simple Ua Propuesta de Presetacó del Tema de Correlacó Smple Itroduccó Ua Coceptualzacó de la Correlacó Estadístca La Correlacó o Implca Relacó Causa-Efecto Vsualzacó Gráfca de la Correlacó U Idcador de Asocacó:

Más detalles

ANÁLISIS DE DATOS CUALITATIVOS. José Vicéns Otero Eva Medina Moral

ANÁLISIS DE DATOS CUALITATIVOS. José Vicéns Otero Eva Medina Moral ÁLISIS D DTOS CULITTIVOS José Vcés Otero va Meda Moral ero 005 . COSTRUCCIÓ D U TL D COTIGCI Para aalzar la relacó de depedeca o depedeca etre dos varables cualtatvas omales o actores, es ecesaro estudar

Más detalles

(Feb03-1ª Sem) Problema (4 puntos). Se dispone de un semiconductor tipo P paralepipédico, cuya distribución de impurezas es

(Feb03-1ª Sem) Problema (4 puntos). Se dispone de un semiconductor tipo P paralepipédico, cuya distribución de impurezas es (Feb03-ª Sem) Problema (4 putos). Se dspoe de u semcoductor tpo P paraleppédco, cuya dstrbucó de mpurezas es ( x a) l = A 0 dode A y 0 so mpurezas/volume, l es u parámetro de logtud y a la poscó de ua

Más detalles

INTRODUCCIÓN AL CONCEPTO DE VALOR ESPERADO O ESPERANZA MATEMÁTICA DE UNA VARIABLE ALEATORIA

INTRODUCCIÓN AL CONCEPTO DE VALOR ESPERADO O ESPERANZA MATEMÁTICA DE UNA VARIABLE ALEATORIA INTRODUCCIÓN AL CONCEPTO DE VALOR ESPERADO O ESPERANZA MATEMÁTICA DE UNA VARIABLE ALEATORIA Lus Fraco Martí {lfraco@us.es} Elea Olmedo Ferádez {olmedo@us.es} Jua Mauel Valderas Jaramllo {valderas@us.es}

Más detalles

Gestión de operaciones

Gestión de operaciones Gestó de operacoes Modelado de restrccoes co varables baras Modelado de programacó o leal Pedro Sáchez pedro.sachez@upcomllas.es Cotedo Restrccoes especales Restrccoes lógcas Productos de varables Modelos

Más detalles

6. ESTIMACIÓN PUNTUAL

6. ESTIMACIÓN PUNTUAL Defcoes 6 ESTIMACIÓN PUNTUAL E la práctca, los parámetros de ua dstrbucó de probabldad se estma a partr de la muestra La fereca estadístca cosste e estmar los parámetros de ua dstrbucó; y e evaluar ua

Más detalles

Selección de una Cartera de Inversión en la Bolsa Mexicana de Valores por Medio de un Método de Programación Lineal

Selección de una Cartera de Inversión en la Bolsa Mexicana de Valores por Medio de un Método de Programación Lineal Programacó Matemátca y Software (2009) Vol.. No. ISSN: 2007-3283 Recbdo: 0 de Juo de 2008/Aceptado: 3 de Septembre de 2008 Publcado e líea: 26 de juo de 2009 Seleccó de ua Cartera de Iversó e la Bolsa

Más detalles

CÁLCULO Y COMENTARIOS SOBRE ALGUNAS MEDIDAS DESCRIPTIVAS. de una variable X, la denotaremos por x y la calcularemos mediante la fórmula:

CÁLCULO Y COMENTARIOS SOBRE ALGUNAS MEDIDAS DESCRIPTIVAS. de una variable X, la denotaremos por x y la calcularemos mediante la fórmula: CÁLCULO Y COMENTARIOS SOBRE ALGUNAS MEDIDAS DESCRIPTIVAS I Meddas de localzacó Auque ua dstrbucó de frecuecas es certamete muy útl para teer ua dea global del comportameto de los datos, es geeralmete ecesaro

Más detalles

TEMA 3.- OPERACIONES DE AMORTIZACION : PRESTAMOS A INTERES VARIABLE 3.1.-CLASIFICACIÓN DE LOS PRÉSTAMOS A INTERÉS VARIABLE :

TEMA 3.- OPERACIONES DE AMORTIZACION : PRESTAMOS A INTERES VARIABLE 3.1.-CLASIFICACIÓN DE LOS PRÉSTAMOS A INTERÉS VARIABLE : Dpto. Ecoomía Facera y otabldad Pla de Estudos 994 urso 008-09. TEMA 3 Prof. María Jesús Herádez García. TEMA 3.- OPERAIONES DE AMORTIZAION : PRESTAMOS A INTERES VARIABLE 3..-LASIFIAIÓN DE LOS PRÉSTAMOS

Más detalles

Modelo Matemático Multiobjetivo para la Selección de una Cartera de Inversión en la Bolsa Mexicana de Valores

Modelo Matemático Multiobjetivo para la Selección de una Cartera de Inversión en la Bolsa Mexicana de Valores Modelo Matemátco Multobjetvo para la Seleccó de ua Cartera de Iversó e la Bolsa Mexcaa de Valores José Crspí Zavala-Díaz, Marco Atoo Cruz-Chavez, Jorge Ruz Vaoye 3, Martí H. Cruz-Rosales 4 Facultad de

Más detalles

División de Evaluación Social de Inversiones

División de Evaluación Social de Inversiones MEODOLOGÍA SIMPLIFICADA DE ESIMACIÓN DE BENEFICIOS SOCIALES POR DISMINUCIÓN DE LA FLOA DE BUSES EN PROYECOS DE CORREDORES CON VÍAS EXCLUSIVAS EN RANSPORE URBANO Dvsó de Evaluacó Socal de Iversoes 2013

Más detalles

METODOLOGÍA DE CÁLCULO DE LAS TASAS DE INTERÉS PROMEDIO

METODOLOGÍA DE CÁLCULO DE LAS TASAS DE INTERÉS PROMEDIO METODOLOGÍA DE CÁLCULO DE LAS TASAS DE INTERÉS PROMEDIO Nota: A partr del de julo de 200, las empresas reporta a la SBS formacó más segmetada de las tasas de terés promedo de los crédtos destados a facar

Más detalles

Estudios de Economía Aplicada ISSN: Asociación Internacional de Economía Aplicada.

Estudios de Economía Aplicada ISSN: Asociación Internacional de Economía Aplicada. Estudos de Ecoomía Aplcada ISSN: 33-397 secretara.tecca@revsta-eea.et Asocacó Iteracoal de Ecoomía Aplcada España Padlla Garrdo, Nura; Guerrero Casas, Flor María La seleccó de carteras medate programacó

Más detalles

ANÁLISIS DE LA VARIANZA ANOVA COMPARACIONES MULTIPLES ENTRE MEDIAS MUESTRALES

ANÁLISIS DE LA VARIANZA ANOVA COMPARACIONES MULTIPLES ENTRE MEDIAS MUESTRALES ANÁLISIS DE LA VARIANZA COMPARACIONES MULTIPLES ENTRE MEDIAS MUESTRALES ANOVA Marta Alper Profesora Adjuta de Estadístca alper@fcym.ulp.edu.ar http://www.fcym.ulp.edu.ar/catedras/estadstca INTRODUCCION

Más detalles

TEMA 11 OPERACIONES DE AMORTIZACION O PRESTAMO (II)

TEMA 11 OPERACIONES DE AMORTIZACION O PRESTAMO (II) Dapotva Matemátca Facera TEMA OPERACIONES DE AMORTIZACION O PRESTAMO (II). Prétamo dcado 2. Prétamo co teree atcpado. Prétamo Alemá 3. Valor facero del prétamo. Uufructo y uda propedad Dapotva 2 Matemátca

Más detalles

LÍNEA DE REGRESIÓN MÍNIMO CUADRÁTICA BASADA EN ERRORES RELATIVOS

LÍNEA DE REGRESIÓN MÍNIMO CUADRÁTICA BASADA EN ERRORES RELATIVOS LÍNEA DE REGRESIÓN MÍNIMO CUADRÁTICA BASADA EN ERRORES RELATIVOS Mercedes Alvargozález Rodríguez - malvarg@ecoo.uov.es Uversdad de Ovedo Reservados todos los derechos. Este documeto ha sdo extraído del

Más detalles

1.1 INTRODUCCION & NOTACION

1.1 INTRODUCCION & NOTACION 1. SIMULACIÓN DE SISEMAS DE COLAS Jorge Eduardo Ortz rvño Profesor Asocado Departameto de Igeería de Sstemas e Idustral Uversdad Nacoal de Colomba jeortzt@ual.edu.co 1.1 INRODUCCION & NOACION Clete Servdor

Más detalles

Juegos finitos n-personales como juegos de negociación

Juegos finitos n-personales como juegos de negociación Juegos ftos -persoales como uegos de egocacó A.M.Mármol L.Moro V. Rubales Departameto de Ecoomía Aplcada III. Uversdad de Sevlla. Avd. Ramó Caal.. 0-Sevlla. vrubales@us.es Resume Los uegos -persoales ftos

Más detalles

4 METODOLOGIA ADAPTADA AL PROBLEMA

4 METODOLOGIA ADAPTADA AL PROBLEMA 4 MEODOLOGA ADAPADA AL PROBLEMA 4.1 troduccó Báscamete el problema que se quere resolver es ecotrar la actuacó óptma sobre las tesoes de los geeradores, la relacó de tomas de los trasformadores y el valor

Más detalles

Tema 2: Modelos lineales de optimización con variables enteras.

Tema 2: Modelos lineales de optimización con variables enteras. Tema 2: Modelos leales de optmzacó co varables eteras. Objetvos del tema: Itroducr la programacó leal etera y los domos de aplcacó. Apreder a formular el modelo de u problema de programacó leal etera.

Más detalles

Matemáticas 1 1 EJERCICIOS RESUELTOS: Números Complejos. Elena Álvarez Sáiz. Dpto. Matemática Aplicada y C. Computación. Universidad de Cantabria

Matemáticas 1 1 EJERCICIOS RESUELTOS: Números Complejos. Elena Álvarez Sáiz. Dpto. Matemática Aplicada y C. Computación. Universidad de Cantabria Matemátcas EJERCICIOS RESUELTOS: Números Complejos Elea Álvare Sá Dpto. Matemátca Aplcada y C. Computacó Uversdad de Catabra Igeería de Telecomucacó Fudametos Matemátcos I Ejerccos: Números Complejos Iterpretacó

Más detalles

INTEGRAL DE LÍNEA EN EL CAMPO COMPLEJO

INTEGRAL DE LÍNEA EN EL CAMPO COMPLEJO INTEGRAL DE LÍNEA EN EL AMPO OMPLEJO ARRERA: Igeería Electromecáca ASIGNATURA: DOENTES: Ig. Norberto laudo MAGGI Ig. Horaco Raúl DUARTE INGENIERÍA ELETROMEÁNIA INTEGRAL DE LÍNEA EN EL AMPO OMPLEJO ONEPTOS

Más detalles

Guía práctica para la realización de medidas y el cálculo de errores

Guía práctica para la realización de medidas y el cálculo de errores Laboratoro de Físca Prmer curso de Químca Guía práctca para la realzacó de meddas y el cálculo de errores Medda y Error Aquellas propedades de la matera que so susceptbles de ser meddas se llama magtudes;

Más detalles

CURSO BÁSICO DE ESTADÍSTICA DESCRIPTIVA

CURSO BÁSICO DE ESTADÍSTICA DESCRIPTIVA CURSO BÁSICO DE ESTADÍSTICA DESCRIPTIVA - 1 - ÍNDICE CAPÍTULO 1: INTRODUCCIÓN A LA ESTADÍSTICA Tema 1: Itroduccó a la estadístca - 1.1. Itroducc ó a la estadístca descrptva - 1.2. Nocoes báscas o 1.2.1.

Más detalles

Introducción a la simulación de sistemas discretos

Introducción a la simulación de sistemas discretos Itroduccó a la smulacó de sstemas dscretos Novembre de 6 Álvaro García Sáchez Mguel Ortega Mer Itroduccó a la smulacó de sstemas dscretos. Presetacó.. Itroduccó El presete documeto trata sobre las téccas

Más detalles

Expectativas del Mercado y Creación de Valor en la Empresa

Expectativas del Mercado y Creación de Valor en la Empresa 2d teratoal Coferece o dustral Egeerg ad dustral Maagemet X Cogreso de geería de Orgazacó September 3-5, 28, Burgos, Spa Expectatvas del Mercado y Creacó de Valor e la Empresa elpe Ruz López 1, Cáddo Barrea

Más detalles

IV. GRÁFICOS DE CONTROL POR ATRIBUTOS

IV. GRÁFICOS DE CONTROL POR ATRIBUTOS IV Gráfcos de Cotrol por Atrbutos IV GRÁFICOS DE CONTROL POR ATRIBUTOS INTRODUCCIÓN Los dagramas de cotrol por atrbutos costtuye la herrameta esecal utlzada para cotrolar característcas de caldad cualtatvas,

Más detalles

APLICACIONES DE LA MATEMÁTICA FINANCIERA EN LA TOMA DE DECISIONES

APLICACIONES DE LA MATEMÁTICA FINANCIERA EN LA TOMA DE DECISIONES Uversdad de Los Ades Facultad de Cecas Ecoómcas y Socales Escuela de Admstracó y Cotaduría Públca Departameto de Cecas Admstratvas Cátedra de Produccó y Aálss de la Iversó Asgatura: Matemátca Facera APLICACIONES

Más detalles

TEMA 3. Medidas de variabilidad y asimetría. - X mín. X máx

TEMA 3. Medidas de variabilidad y asimetría. - X mín. X máx TEMA 3 Meddas de varabldad y asmetría 1. MEDIDAS DE VARIABILIDAD La varabldad o dspersó hace refereca al grado de varacó que hay e u cojuto de putuacoes. Por ejemplo: etre dos dstrbucoes que preseta la

Más detalles

Simulación de sistemas discretos

Simulación de sistemas discretos Smulacó de sstemas dscretos Novembre de 006 Álvaro García Sáchez Mguel Ortega Mer Smulacó de sstemas dscretos. Presetacó... 4.. Itroduccó... 4.. Sstemas, modelos y smulacó... 4.3. Necesdad de la smulacó...

Más detalles

UNIDAD DIDÁCTICA TERCERA: APLICACIÓN DEL CALCULO MERCANTIL Y FINANCIERO A LAS OPERACIONES BANCARIAS

UNIDAD DIDÁCTICA TERCERA: APLICACIÓN DEL CALCULO MERCANTIL Y FINANCIERO A LAS OPERACIONES BANCARIAS Coceptos (cotedos soporte) Udad de trabajo sexta: Geeraldades. Retas auales costates. Retas costates fraccoadas. Retas varables. Udad de trabajo séptma Geeraldades. mortzacó de u préstamo por el sstema

Más detalles

MATEMÁTICAS FINANCIERAS Y EVALUACIÓN DE PROYECTOS JAIRO TARAZONA MANTILLA CONSULTOR ASESOR DOCENTE FINANCIERO Y PROYECTOS

MATEMÁTICAS FINANCIERAS Y EVALUACIÓN DE PROYECTOS JAIRO TARAZONA MANTILLA CONSULTOR ASESOR DOCENTE FINANCIERO Y PROYECTOS MATEMÁTICAS FINANCIERAS Y EVALUACIÓN DE PROYECTOS JAIRO TARAZONA MANTILLA CONSULTOR ASESOR DOCENTE FINANCIERO Y PROYECTOS Bucaramaga, 2010 INTRODUCCIÓN El presete documeto es ua complacó de memoras de

Más detalles

ANÁLISIS DE LA VARIANZA Es coocdo que ua varable aleatora Y se puede cosderar como suma de ua costate μ de ua varable aleatora ε, que represeta el error aleatoro: μ ε Este modelo se adapta be a datos de

Más detalles

Análisis Financiero de Proyectos

Análisis Financiero de Proyectos UNIVERSIDAD POLITÉCNICA DE MADRID COLEGIO DE POSTGRADUADOS DE MÉXICO E.T.S.I. AGRONOMOS Departameto Proyectos y Plafcacó Rural Proyecto de Iovacó Educatva para la mplatacó del Espaco Europeo de Educacó

Más detalles

6.2.- Funciones cóncavas y convexas

6.2.- Funciones cóncavas y convexas C APÍTULO 6 PROGRAMACIÓN NO LINEAL 6..- Itroduccó a la Programacó No Leal E este tema vamos a cosderar la optmzacó de prolemas que o cumple las codcoes de lealdad, e e la fucó ojetvo, e e las restrccoes.

Más detalles

TEMA 12 INFERENCIA ESTADÍSTICA. ESTIMACIÓN DE LA MEDIA 12.1 DISTRIBUCIÓN NORMAL. REPASO DE TÉCNICAS BÁSICAS

TEMA 12 INFERENCIA ESTADÍSTICA. ESTIMACIÓN DE LA MEDIA 12.1 DISTRIBUCIÓN NORMAL. REPASO DE TÉCNICAS BÁSICAS Tema 1 Ifereca estadístca. Estmacó de la meda Matemátcas CCSSII º Bachllerato 1 TEMA 1 INFERENCIA ESTADÍSTICA. ESTIMACIÓN DE LA MEDIA 1.1 DISTRIBUCIÓN NORMAL. REPASO DE TÉCNICAS BÁSICAS UTILIZACIÓN DE

Más detalles

1 Ce.R.P. del Norte Rivera Julio de 2010 Departamento de Matemática Notas para el curso de Fundamentos de la Matemática

1 Ce.R.P. del Norte Rivera Julio de 2010 Departamento de Matemática Notas para el curso de Fundamentos de la Matemática Ce.R.P. del Norte Rvera Julo de Departameto de Matemátca Notas para el curso de Fudametos de la Matemátca CONGRUENCIAS NUMÉRICAS Y ECUACIONES DE CONGRUENCIA. RECORDANDO CONCEPTOS: La cogrueca es ua relacó

Más detalles

PROGRAMACIÓN MATEMÁTICA Y TEORIA DE LA CARTERA: UNA APLICACIÓN CON MAPLE. Eva Mª del Pozo García Mª Jesús Segovia Vargas Zuleyka Díaz Martínez

PROGRAMACIÓN MATEMÁTICA Y TEORIA DE LA CARTERA: UNA APLICACIÓN CON MAPLE. Eva Mª del Pozo García Mª Jesús Segovia Vargas Zuleyka Díaz Martínez PROGRAMACIÓN MATEMÁTICA Y TEORIA DE LA CARTERA: UNA APLICACIÓN CON MAPLE Eva Mª del Pozo García Mª Jesús Segova Vargas Zuleyka Díaz Martíez Departameto de Ecoomía Facera y Cotabldad I Uversdad Complutese

Más detalles

Control estadístico de procesos. Control de procesos. Definición de proceso bajo control estadístico. Causas de la variabilidad en un proceso

Control estadístico de procesos. Control de procesos. Definición de proceso bajo control estadístico. Causas de la variabilidad en un proceso Cotrol de procesos Hstórcamete ha evolucoado e dos vertetes: Cotrol automátco de procesos (APC) empresas de produccó cotua (empresas químcas) Cotrol estadístco de procesos (SPC) e sstemas de produccó e

Más detalles

PROBANDO GENERADORES DE NUMEROS ALEATORIOS

PROBANDO GENERADORES DE NUMEROS ALEATORIOS PROBADO GRADORS D UMROS ALATORIOS s mportate asegurarse de que el geerador usado produzca ua secueca sufcetemete aleatora. Para esto se somete el geerador a pruebas estadístcas. S o pasa ua prueba, podemos

Más detalles

Conceptos y ejemplos básicos de Programación Dinámica

Conceptos y ejemplos básicos de Programación Dinámica Coceptos y eemplos báscos de Programacó Dámca Wlso Julá Rodríguez Roas ularodrguez@hotmal.com Trabao de Grado para Optar por el Título de Matemátco Drector: Pervys Regfo Regfo Igeero Uversdad Nacoal de

Más detalles

CURSO DE ESTADÍSTICA DESCRIPTIVA Y ANÁLISIS DE DATOS CON LA HOJA DE CÁLCULO EXCEL

CURSO DE ESTADÍSTICA DESCRIPTIVA Y ANÁLISIS DE DATOS CON LA HOJA DE CÁLCULO EXCEL CURSO DE ESTADÍSTICA DESCRIPTIVA Y ANÁLISIS DE DATOS CON LA HOJA DE CÁLCULO ECEL D. Fracsco Parra Rodríguez. Jefe de Servco de Estadístcas Ecoómcas y Socodemográfcas. Isttuto Cátabro de Estadístca. Dª.

Más detalles

Teoría de carteras de inversión para la diversificación del riesgo: enfoque clásico y uso de redes neuronales artificiales (RNA)

Teoría de carteras de inversión para la diversificación del riesgo: enfoque clásico y uso de redes neuronales artificiales (RNA) Teoría de carteras de versó para la dversfcacó del resgo: efoque clásco y uso de redes euroales artfcales (RNA) Ivestmet portfolo theory ad rsk dversfcato: classc ad eural etworks methodology D. Cot* y

Más detalles

MATEMÁTICAS FINANCIERAS

MATEMÁTICAS FINANCIERAS MAEMÁICAS FINANCIERAS Aloso ÍNDICE. INERÉS SIMPLE 4. CONCEPOS PREVIOS... 4.2 DEFINICIÓN DE INERÉS SIMPLE... 4.3 FÓRMULAS DERIVADAS... 6.4 INERPREACIÓN GRÁFICA... 8 2. INERÉS COMPUESO 9 2. DEFINICIÓN DE

Más detalles

UNA PROPUESTA DE GRÁFICO DE CONTROL DIFUSO PARA EL CONTROL DEL PROCESO

UNA PROPUESTA DE GRÁFICO DE CONTROL DIFUSO PARA EL CONTROL DEL PROCESO UNA POPUESTA DE GÁFICO DE CONTOL DIFUSO PAA EL CONTOL DEL POCESO VIVIAN LOENA CHUD PANTOJA (UDV) vvalorea16@gmal.com NATHALY MATINEZ ESCOBA (UDV) atta10@gmal.com Jua Carlos Osoro Gómez (UDV) juacarosoro@yahoo.es

Más detalles

Ampliación de Redes de Telefonía Básica

Ampliación de Redes de Telefonía Básica Amplacó de Redes de Telefoía Básca Carlos D. Almeda Uversdad Nacoal de Asucó. Sa Lorezo, Paraguay cdad@eee.org Nlto R. Amarlla Uversdad Nacoal de Asucó. Sa Lorezo, Paraguay dmatest@copaco.com.py Bejamí

Más detalles

MEDIDAS DE CENTRALIZACIÓN

MEDIDAS DE CENTRALIZACIÓN Educagua.com MEDIDAS DE CETRALIZACIÓ Las meddas de cetralzacó so estadístcos que releja algú valor global de la sere estadístca. Las prcpales meddas de cetralzacó so: Meda artmétca smple. Meda artmétca

Más detalles

CÁLCULO FINANCIERO. Teoría, Ejercicios y Aplicaciones

CÁLCULO FINANCIERO. Teoría, Ejercicios y Aplicaciones 2 CÁLCULO FINANCIERO Teoría, Ejerccos y Aplcacoes 3 Uversdad de Bueos Ares Facultad de Cecas Ecoómcas Autores: Jua Ramó Garca Hervás Actuaro (UBA) Master e Ecoomía y Admstracó (ESEADE). Docete de Posgrado

Más detalles

MUESTREO EN POBLACIONES FINITAS. Antonio Morillas 1

MUESTREO EN POBLACIONES FINITAS. Antonio Morillas 1 MUESTREO E POBLACIOES FIITAS Atoo Morllas Coceptos estadístcos báscos Etapas e el muestreo 3 Tpos de error 4 Métodos de muestreo 5 Tamaño de la muestra e fereca 6 Muestreo e poblacoes ftas 6. Muestreo

Más detalles

-Métodos Estadísticos en Ciencias de la Vida

-Métodos Estadísticos en Ciencias de la Vida -Métodos Estadístcos e Cecas de la Vda Regresó Leal mple Regresó leal smple El aálss de regresó srve para predecr ua medda e fucó de otra medda (o varas). Y = Varable depedete predcha explcada X = Varable

Más detalles

Bolsa Nacional de Valores, S.A. San José, Costa Rica

Bolsa Nacional de Valores, S.A. San José, Costa Rica SELECCIÓN DE CARTERAS DE INVERSIÓN (TEORÍA DEL PORTAFOLIO) RODRIGO MATARRITA VENEGAS * Bolsa Nacoal de Valores, S.A. Sa José, Costa Rca By ow t s evdet that MPT (moder Portfolo Theory), the theory frst

Más detalles

Apuestas deportivas por Internet

Apuestas deportivas por Internet Autor: Davd Serrao Martíez 22/0/2009 Apuestas deportvas por Iteret Aputes y relexoes Itroduccó Durate el últmo trmestre de 2005, u grupo de compañeros de trabajo y amgos decdmos motar ua suerte de peña

Más detalles

Experimento: TEORÍA DE ERRORES. UNIVERSIDAD DE ATACAMA Facultad de Ciencias Naturales Departamento de Física I. OBJETIVOS

Experimento: TEORÍA DE ERRORES. UNIVERSIDAD DE ATACAMA Facultad de Ciencias Naturales Departamento de Física I. OBJETIVOS Epermeto: I. OJETIVOS UNIVERSIDD DE TM Facultad de ecas Naturales Departameto de Físca TEORÍ DE ERRORES Idetfcar errores sstemátcos y accdetales e u proceso de medcó. ompreder los coceptos de eacttud y

Más detalles

Análisis estadístico de datos muestrales

Análisis estadístico de datos muestrales Aálss estadístco de datos muestrales M. e A. Víctor D. Plla Morá Facultad de Igeería, UNAM Resume Represetacó de los datos de ua muestra: tablas de frecuecas, frecuecas relatvas y frecuecas relatvas acumuladas.

Más detalles

INTRODUCCIÓN A LA ESTADÍSTICA DESCRIPTIVA PARA ECONOMISTAS

INTRODUCCIÓN A LA ESTADÍSTICA DESCRIPTIVA PARA ECONOMISTAS Uverstat de les Illes Balears Col.leccó Materals Ddàctcs INTRODUCCIÓN A LA ESTADÍSTICA DESCRIPTIVA PARA ECONOMISTAS Joaquí Alegre Martí Magdalea Cladera Muar Palma, 00 ÍNDICE INTRODUCCIÓN: Qué es...? Qué

Más detalles

LECTURA 02: DISTRIBUCIONES DE FRECUENCIAS (PARTE I) DISTRIBUCIONES DE FRECUENCIAS EN PUNTOS AISLADOS

LECTURA 02: DISTRIBUCIONES DE FRECUENCIAS (PARTE I) DISTRIBUCIONES DE FRECUENCIAS EN PUNTOS AISLADOS Uversdad Católca Los Ágeles de Cmbote LECTURA 0: DISTRIBUCIONES DE FRECUENCIAS (PARTE I) DISTRIBUCIONES DE FRECUENCIAS EN PUNTOS AISLADOS TEMA : DISTRIBUCIONES DE FRECUENCIAS: DEFINICIÓN Y CLASIFICACIÓN

Más detalles

Análisis amortizado. Técnicas Avanzadas de Programación - Javier Campos 205

Análisis amortizado. Técnicas Avanzadas de Programación - Javier Campos 205 Aálss amortzado Téccas Avazadas de Programacó - Javer Campos 205 Aálss amortzado El pla: Coceptos báscos: Método agregado Método cotable Método potecal Prmer ejemplo: aálss de tablas hash dámcas Motículos

Más detalles

División de Estadísticas y Proyecciones Económicas (DEPE) Centro de Proyecciones Económicas (CPE)

División de Estadísticas y Proyecciones Económicas (DEPE) Centro de Proyecciones Económicas (CPE) Comsó Ecoómca para Amérca Lata y el Carbe (CEPAL Dvsó de Estadístcas y Proyeccoes Ecoómcas (DEPE Cetro de Proyeccoes Ecoómcas (CPE Estmacó Putual de Parámetros Chrsta A. Hurtado Navarro Mayo, 006 Estmacó

Más detalles

CAPÍTULO II MARCO TEÓRICO

CAPÍTULO II MARCO TEÓRICO CAPÍTULO II MARCO TEÓRICO - - MARCO TEÓRICO El marco teórco de este trabajo propoe los métodos heurístcos factbles que resolverá este problema. Co lo que se buscará cubrr las egecas de los datos dspobles

Más detalles

ESTADÍSTICA poblaciones

ESTADÍSTICA poblaciones ESTADÍSTICA Es la parte de las Matemátcas que estuda el comportameto de las poblacoes utlzado datos umércos obtedos medate epermetos o ecuestas. ESTADÍSTICA La Estadístca tee dos ramas: La Estadístca descrptva:

Más detalles

Algunas Recomendaciones para la Enseñanza de la Estadística Descriptiva o Análisis de Datos

Algunas Recomendaciones para la Enseñanza de la Estadística Descriptiva o Análisis de Datos Alguas Recomedacoes para la Eseñaza de la Estadístca Descrptva o Aálss de Datos Itroduccó Elemetos Báscos para Aplcar Estadístca Descrptva La Estadístca Descrptva o Formula Iferecas La Estadístca Descrptva

Más detalles

Respuesta. Si 100 manzanas es una muestra suficientemente grande podemos ocupar el TCL. Por lo tanto:

Respuesta. Si 100 manzanas es una muestra suficientemente grande podemos ocupar el TCL. Por lo tanto: Curso: Estadístca Iferecal (ICO 8306) Profesores: Esteba Calvo, Pablo Huechapa y Omar Ramos Ayudates: José T. Meda, Fabo Salas y Daela Vlches PROBLEMA Cosdere que Ud. es dueño de u campo que produce mazaas,

Más detalles

Ensayos de control de calidad

Ensayos de control de calidad Esayos de cotrol de caldad Fecha: 0170619 1. lcace. Este procedmeto es aplcable e la evaluacó del desempeño del persoal que ejecuta pruebas e la Dvsó de Laboratoros de Ifraestructura de la Coordacó de

Más detalles

Resumen. Abstract. Palabras Claves: Algoritmos genéticos, cartera de acciones, optimización.

Resumen. Abstract. Palabras Claves: Algoritmos genéticos, cartera de acciones, optimización. Optmzacó de ua cartera de versoes utlzado algortmos geétcos María Graca Leó, Nelso Ruz, Ig. Fabrco Echeverría Isttuto de Cecas Matemátcas ICM Escuela Superor Poltécca del Ltoral Vía Permetral Km 30.5,

Más detalles

MEDIDAS DE TENDENCIA CENTRAL

MEDIDAS DE TENDENCIA CENTRAL Probabldad y Estadístca Meddas de tedeca Cetral MEDIDAS DE TENDENCIA CENTRAL E la udad ateror se ha agrupado la ormacó y además se ha dado ua descrpcó de la terpretacó de la ormacó, s embargo e ocasoes

Más detalles

ERRORES EN LAS MEDIDAS (Conceptos elementales)

ERRORES EN LAS MEDIDAS (Conceptos elementales) ERRORES E LAS MEDIDAS (Coceptos elemetales). Medda y tpos de errores ormalmete, al realzar varas meddas de ua magtud físca, se obtee e ellas valores dferetes. E muchas ocasoes, esta dfereca se debe a causas

Más detalles

CÁLCULO DEL ANCHO DE BANDA EFECTIVO PARA UN FLUJO MARKOVIANO CON TASAS DE TRANSFERENCIA CONTINUAS

CÁLCULO DEL ANCHO DE BANDA EFECTIVO PARA UN FLUJO MARKOVIANO CON TASAS DE TRANSFERENCIA CONTINUAS CÁLCULO DEL ANCHO DE BANDA EFECTIVO PARA UN FLUJO MARKOVIANO CON TASAS DE TRANSFERENCIA CONTINUAS Beatrz Marró Uversdad Nacoal del Sur, beatrz.marro@us.edu.ar Resume: El objetvo de este trabajo es geeralzar

Más detalles

Teoría de Juegos Aplicada a Problemas de Bancarrota

Teoría de Juegos Aplicada a Problemas de Bancarrota Teoría de Juegos Aplcada a Problemas de Bacarrota Dra. Flor María Guerrero Casas Dr. Mguel Ágel Hojosa Ramos Fracsca Jesús Sáchez Sáchez Departameto de Ecoomía y Empresa. Uversdad Pablo de Olavde. Ctra.

Más detalles

ESTADÍSTICA DESCRIPTIVA

ESTADÍSTICA DESCRIPTIVA ESTADÍSTICA DESCRIPTIVA A. MEDIDAS DE TENDENCIA CENTRAL B. MEDIDAS DE VARIABILIDAD C. MEDIDAS DE FORMA RESUMEN: A. MEDIDAS DE TENDENCIA CENTRAL So estadígrafos de poscó que so terpretados como valores

Más detalles

1. Los postulados de la Mecánica Cuántica. 2. Estados Estacionarios. 3. Relación de Incertidumbre de Heisenberg. 4. Teorema de compatibilidad.

1. Los postulados de la Mecánica Cuántica. 2. Estados Estacionarios. 3. Relación de Incertidumbre de Heisenberg. 4. Teorema de compatibilidad. Parte : MECÁNICA CUÁNTICA 1. Los postulados de la Mecáca Cuátca.. Estados Estacoaros. 3. Relacó de Icertdumbre de Heseberg. 4. Teorema de compatbldad. 1 U breve repaso de Mecáca Clásca 1. Partícula clásca:

Más detalles

Elaborado por: Ing. Rubén Toyama U. 1

Elaborado por: Ing. Rubén Toyama U. 1 CONTENIDO IDENTIFICACIÓN... 2 PLANIFICACIÓN DE LOS ENCUENTROS... 2 PROGRAMA ANALITICO... 3 ORIENTACIONES METODOLÓGICAS... 8. - Itroduccó.... 8..- Objetvos Geerales.... 9 2.- Desarrollo... 9 Prmer ecuetro...

Más detalles

Valoración de opciones de compra y venta del quintal de café en el mercado ecuatoriano

Valoración de opciones de compra y venta del quintal de café en el mercado ecuatoriano Valoracó de opcoes de compra y veta del qutal de café e el mercado ecuatorao Adrá Morocho Pérez, Ferado Sadoya Sachez Igeero e Estadístca Iformátca 003 Drector de Tess, Matemátco, Escuela Poltécca Nacoal,

Más detalles

I. ANÁLISIS DESCRIPTIVO DE UN CONJUNTO DE DATOS

I. ANÁLISIS DESCRIPTIVO DE UN CONJUNTO DE DATOS Estadístca Tema. Seres Estadístcas. Dstrbucoes de frecuecas. Pág. I. ANÁLISIS DESCIPTIVO DE UN CONJUNTO DE DATOS Seres Estadístcas. Dstrbucoes de frecuecas.. Defcó de Estadístca... Coceptos geerales...2

Más detalles

GENERACION DE NUMEROS ALEATORIOS

GENERACION DE NUMEROS ALEATORIOS GENERACION DE NUMEROS ALEATORIOS U paso clave e smulacó es teer rutas que geere varables aleatoras co dstrbucoes especfcas: epoecal, ormal, etc. Esto es hecho e dos fases. La prmera cosste e geerar ua

Más detalles

III. GRÁFICOS DE CONTROL POR VARIABLES (1)

III. GRÁFICOS DE CONTROL POR VARIABLES (1) III. Gráfcos de Cotrol por Varables () III. GRÁFICOS DE CONTROL POR VARIABLES () INTRODUCCIÓN E cualquer proceso productvo resulta coveete coocer e todo mometo hasta qué puto uestros productos cumple co

Más detalles

Curso de Estadística Unidad de Medidas Descriptivas. Lección 2: Medidas de Tendencia Central para Datos Agrupados por Valor Simple

Curso de Estadística Unidad de Medidas Descriptivas. Lección 2: Medidas de Tendencia Central para Datos Agrupados por Valor Simple 1 Curso de Estadístca Udad de Meddas Descrptvas Leccó 2: Meddas de Tedeca Cetral para Datos Agrupados por Valor Smple Creado por: Dra. Noemí L. Ruz Lmardo, EdD 2010 Derechos de Autor 2 Objetvos 1. Calcular

Más detalles

COMENTARIOS Y ANÁLISIS DEL FACTOR DE PRODUCTIVIDAD PROPUESTO POR OSIPTEL PARA EL PLAN DE REGULACIÓN POR PRECIOS TOPE 2004 2007

COMENTARIOS Y ANÁLISIS DEL FACTOR DE PRODUCTIVIDAD PROPUESTO POR OSIPTEL PARA EL PLAN DE REGULACIÓN POR PRECIOS TOPE 2004 2007 OMNTARIOS Y ANÁLISIS DL FATOR D PRODUTIVIDAD PROPUSTO POR OSIPTL PARA L PLAN D RGULAIÓN POR PRIOS TOP 2004 2007 APLIAIÓN D LA VARIABL M por Davd. M. Sappgto RSUMN JUTIVO ste forme preseta ua evaluacó de

Más detalles

ASIGNATURA: MATEMATICAS FINANCIERAS

ASIGNATURA: MATEMATICAS FINANCIERAS PUNTES DOCENTES SIGNTUR: MTEMTICS FINNCIERS PROFESORES: MRIN JIMES CRLOS JVIER SRMIENTO LUIS JIME DEPRTMENTO DE CIENCIS BÁSICS VERSION: 2-20 QUÉ ES MTEMÁTICS FINNCIERS? Hace alguos años éste era u tema

Más detalles

Guía para la Presentación de Resultados en Laboratorios Docentes

Guía para la Presentación de Resultados en Laboratorios Docentes Guía para la Presetacó de Resultados e Laboratoros Docetes Prof. Norge Cruz Herádez Departameto de Físca Aplcada I Escuela Poltécca Superor Uversdad de Sevlla Curso 0-03 6 de octubre de 0 I Itroduccó Las

Más detalles

Análisis de Regresión y Correlación Lineal

Análisis de Regresión y Correlación Lineal Aálss de Regresó y Correlacó Leal Dr. Pastore, Jua Igaco Profesor Adjuto. Aálss de Regresó y Correlacó Leal Hasta ahora hemos cetrado uestra atecó prcpalmete e ua sola varable de respuesta umérca o e seres

Más detalles

7. Muestreo con probabilidades desiguales.

7. Muestreo con probabilidades desiguales. 7. Muestreo co probabldades desguales. 7. Itroduccó. 7.. Probabldades de clusó. 7.. Pesos del dseño muestral. 7.. Alguos métodos co probabldades desguales. 7. Estmacó de la meda, proporcó total poblacoales.

Más detalles

GUÍA DE EJERCICIOS ESTADÍSTICA DESCRIPTIVA

GUÍA DE EJERCICIOS ESTADÍSTICA DESCRIPTIVA GUÍA DE EJERCICIOS ESTADÍSTICA DESCRIPTIVA Área Matemátcas- Aálss Estadístco Módulo Básco de Igeería (MBI) Resultados de apredzaje Apreder el correcto uso de la calculadora cetífca e modo estadístco, además

Más detalles

7.1. Muestreo aleatorio simple. 7.2 Muestreo aleatorio estratificado. 7.3 Muestreo aleatorio de conglomerados. 7.4 Estimación del tamaño poblacional.

7.1. Muestreo aleatorio simple. 7.2 Muestreo aleatorio estratificado. 7.3 Muestreo aleatorio de conglomerados. 7.4 Estimación del tamaño poblacional. 7 ELEMETOS DE MUESTREO COTEIDOS: OBJETIVOS: 7.. Muestreo aleatoro smple. 7. Muestreo aleatoro estratfcado. 7.3 Muestreo aleatoro de coglomerados. 7.4 Estmacó del tamaño poblacoal. Determar el dseño de

Más detalles

n p(a ) = n p(a ) = n k Nº de casos favorables de A Nº de casos posibles de E p(a) = Capítulo PROBABILIDAD 1. Introducción

n p(a ) = n p(a ) = n k Nº de casos favorables de A Nº de casos posibles de E p(a) = Capítulo PROBABILIDAD 1. Introducción Capítulo VII PROBABILIDAD 1. Itroduccó Se dcaba e el capítulo ateror que cuado u expermeto aleatoro se repte u gra úmero de veces, los posbles resultados tede a presetarse u úmero muy parecdo de veces,

Más detalles

Paola Caymes-Scutari, Anna Morajko, Eduardo César, José G. Mesa, Genaro Costa, Tomàs Margalef, Joan Sorribes, Emilio Luque

Paola Caymes-Scutari, Anna Morajko, Eduardo César, José G. Mesa, Genaro Costa, Tomàs Margalef, Joan Sorribes, Emilio Luque Etoro de Desarrollo y Stozacó de Aplcacoes Master/Worker Paola Caymes-Scutar, Aa Morajko, Eduardo César, José G. Mesa, Gearo Costa, Tomàs Margalef, Joa Sorrbes, Emlo Luque Departameto de Arqutectura de

Más detalles

NOTAS SOBRE ESTADÍSTICA APLICADA A LA CALIDAD

NOTAS SOBRE ESTADÍSTICA APLICADA A LA CALIDAD NOTAS SOBRE ESTADÍSTICA APLICADA A LA CALIDAD 1. CONCEPTO DE ESTADÍSTICA : Es la ceca que estuda la terpretacó de datos umércos. a) Proceso estadístco : Es aquél que a partr de uos datos umércos, obteemos

Más detalles

UNA NOTA SOBRE ECONOMETRÍA ESPACIAL (*)

UNA NOTA SOBRE ECONOMETRÍA ESPACIAL (*) UNIVERSIDAD NACIONAL DE SALTA Facultad de Cecas Ecoómcas, Jurídcas y Socales Isttuto de Ivestgacoes Ecoómcas Reuó de Dscusó Nº 7 Fecha: /06/003 Hs.: 6 UNA NOTA SOBRE ECONOMETRÍA ESPACIAL (*) Eusebo Cleto

Más detalles

TÉCNICAS DE ANÁLISIS ECONÓMICO INPUT-OUTPUT

TÉCNICAS DE ANÁLISIS ECONÓMICO INPUT-OUTPUT TÉCNICAS DE ANÁLISIS ECONÓMICO INPUT-OUTPUT Mguel Ágel Taracó Morá Doctor e CC Ecoómcas y Empresarales Profesor Asocado de Ecoometría Uversdad de Castlla La Macha Toledo, Marzo de 2003 Título: Téccas de

Más detalles

Inferencia Estadística

Inferencia Estadística Ifereca Estadístca Poblacó y muestra Coceptos y defcoes Muestra Aleatora Smple (MAS) Cosderemos ua poblacó, cuya fucó de dstrbucó esta dada por F(), la cual está costtuda por u úmero fto de posbles valores,

Más detalles